OpenAI lanza Deep Research: un agente que investiga hasta 30 minutos

OpenAI ha presentado este domingo deep research, una nueva capacidad de ChatGPT que funciona como un agente de investigación: en lugar de devolver una respuesta rápida, dedica entre cinco y treinta minutos a navegar por internet, cruzar fuentes y redactar un informe documentado con citas. La compañía lo describe como una herramienta para "personas que hacen trabajo intensivo de conocimiento en áreas como finanzas, ciencia, políticas públicas e ingeniería y necesitan investigación exhaustiva, precisa y fiable".

La idea rompe con la lógica habitual del chatbot. Hasta ahora, ChatGPT premiaba la inmediatez: preguntas y respondía en segundos. Deep research apuesta por lo contrario. El usuario acepta esperar media hora a cambio de un documento que ha revisado múltiples páginas web y otras fuentes antes de escribir una sola línea.

Qué es y cómo se usa

Para activarlo, hay que seleccionar la opción "deep research" en el cuadro de texto de ChatGPT e introducir la consulta, con la posibilidad de adjuntar archivos u hojas de cálculo. De momento es una experiencia solo web; OpenAI planea integrarla en las aplicaciones móvil y de escritorio más adelante este mes. Cuando la búsqueda termina, el usuario recibe una notificación.

Las respuestas son, por ahora, únicamente texto. OpenAI ha adelantado que pretende añadir pronto imágenes incrustadas, visualizaciones de datos y otras salidas "analíticas". También figura en su hoja de ruta la conexión con "fuentes de datos más especializadas", incluyendo recursos "de suscripción" e internos de las empresas.

El despliegue arranca hoy para los usuarios de ChatGPT Pro, limitado a 100 consultas al mes. Después llegará a los planes Plus y Team, y finalmente a Enterprise. OpenAI apunta a un despliegue en Plus dentro de aproximadamente un mes, y prevé que los límites de consultas para usuarios de pago suban "significativamente" pronto. El lanzamiento está segmentado geográficamente: la compañía no ofreció fecha para clientes en Reino Unido, Suiza y el Espacio Económico Europeo.

El motor: una versión especial de o3

La precisión es la gran incógnita de cualquier herramienta que se venda como "investigación". La IA generativa alucina —inventa datos con apariencia verosímil— y comete errores que, en un contexto de investigación, pueden ser especialmente dañinos. OpenAI intenta atajarlo por dos vías.

La primera es la trazabilidad. Cada resultado de deep research estará, según la compañía, "totalmente documentado, con citas claras y un resumen de [su] razonamiento, lo que facilita referenciar y verificar la información". La idea es que el lector pueda comprobar de dónde sale cada afirmación.

La segunda es el modelo que hay debajo. Deep research usa una versión especial de o3, el modelo de "razonamiento" que OpenAI presentó recientemente, entrenada mediante aprendizaje por refuerzo en "tareas del mundo real que requieren el uso de navegador y de herramientas de Python". El aprendizaje por refuerzo entrena al modelo por ensayo y error: cuanto más se acerca a un objetivo, más "recompensas" virtuales recibe, lo que en teoría lo va afinando en esa tarea.

OpenAI afirma que esta versión de o3 está "optimizada para la navegación web y el análisis de datos" y que "aprovecha el razonamiento para buscar, interpretar y analizar cantidades enormes de texto, imágenes y PDF en internet, cambiando de rumbo según sea necesario en respuesta a la información que encuentra". El modelo también puede examinar archivos subidos por el usuario, generar y refinar gráficos con Python, incrustar esos gráficos e imágenes de páginas web en sus respuestas y citar frases o pasajes concretos de sus fuentes.

El dato que llama la atención: Humanity's Last Exam

OpenAI probó deep research con Humanity's Last Exam, una evaluación con más de 3.000 preguntas de nivel experto en distintos campos académicos. El modelo o3 que impulsa la herramienta logró un 26,6% de aciertos.

Un 26,6% parece un suspenso, pero el contexto lo cambia todo: Humanity's Last Exam se diseñó precisamente para ser más difícil que otros exámenes de referencia y así mantenerse por delante de los avances de los modelos. Comparado con sus rivales, el resultado es contundente. Según OpenAI, el modelo quedó muy por delante de Gemini Thinking (6,2%), Grok-2 (3,8%) y de su propio GPT-4o (3,3%). Frente a ese 6,2% de Gemini, deep research multiplica por más de cuatro el acierto; respecto a GPT-4o, lo multiplica por ocho.

Las limitaciones que la propia OpenAI reconoce

La compañía no vende infalibilidad. Admite que deep research a veces comete errores e inferencias incorrectas. Puede tener dificultades para distinguir la información autorizada de los rumores, y a menudo no consigue transmitir cuándo tiene dudas sobre algo. También puede cometer fallos de formato en informes y citas.

Esa última limitación —no saber comunicar su propia incertidumbre— es la más delicada. Un informe con citas y aspecto profesional transmite autoridad aunque contenga errores, y el usuario tiene menos incentivos para desconfiar de algo que parece bien fundamentado.

El precedente invita a la cautela. La función de búsqueda web de ChatGPT, ChatGPT Search, comete errores con cierta frecuencia y da respuestas equivocadas. Las pruebas de TechCrunch encontraron que producía resultados menos útiles que Google Search en determinadas consultas. Queda por ver si las citas y la trazabilidad bastan para contener esos fallos cuando el volumen de información procesado es mucho mayor.

Un cambio de categoría, y un nombre repetido

Lo relevante de deep research no es solo lo que hace, sino la categoría que inaugura: la del agente que trabaja de forma autónoma durante minutos, planifica, reacciona a lo que encuentra y entrega un producto acabado. Es un paso más allá del asistente conversacional que responde y espera la siguiente pregunta.

Ese formato de salida —extenso, con fuentes citadas— resulta a priori más atractivo que el resumen simple y sin referencias de un chatbot convencional, sobre todo para quien teme el impacto de la IA generativa en estudiantes o en cualquiera que busque información. Pero el valor depende del uso: está por ver si la mayoría de usuarios someterá el informe a un análisis y una verificación reales, o si lo tratará simplemente como un texto de aspecto más profesional para copiar y pegar.

Hay un detalle que resta originalidad al lanzamiento: el nombre. Google anunció una función de IA muy similar, con exactamente el mismo nombre, menos de dos meses antes. La coincidencia refleja hasta qué punto los grandes laboratorios están convergiendo en la misma apuesta —agentes que investigan por su cuenta— casi al mismo tiempo.

Por delante quedan las pruebas que importan: la llegada a los planes de pago más comunes, la ampliación de los límites de consultas, la incorporación de gráficos y fuentes especializadas, y el desembarco en Europa, que por ahora carece de fecha. Y, sobre todo, la comprobación de si un agente que investiga media hora produce informes en los que se pueda confiar de verdad.